CB6 Tenir i comprendre coneixements que aportin una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context de recerca. CB7 Que els estudiants sàpiguen aplicar els coneixements adquirits i la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis relacionats amb la seva àrea d'estudi CB10 Que els estudiants tinguin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran mesura autodirigida o autònoma CG1Dissenyar propostes creatives CE1 Programar a un nivell avançat en els llenguatges i llibreries més utilitzades en la ciència de dades CE6 Analitzar un problema de ciència de dades i identificar les tècniques i les eines apropiades per a resoldre'l CE7 Entendre, desenvolupar, modificar i aplicar de manera efectiva mètodes d'aprenentatge automàtic CE8 Quantificar la bondat dels resultats obtinguts mitjançant la tecnologia de la ciència de dades a través de mètriques adequades CE13 Entendre les dades a partir de visualitzacions adequades
1. Sistemes recomanadors 2. Mineria de text 3. Introducció al Deep Learning 4. Deep Learning 5. Convolutional Neural Networks 6. Transfer Learning i aprenentatge per reforç
Tipus d’activitat Hores amb professor Hores sense professor Hores virtuals amb professor Total Anàlisi / estudi de casos 0 22,00 4,00 26,00 Sessió expositiva 18,00 24,00 0 42,00 Sessió pràctica 18,00 52,00 8,00 78,00 Tutories individuals 0 0 4,00 4,00 Total 36,00 98,00 16,00 150
J. Howard, S. Gugger (2020). Deep Learning for Coders with Fastai and PyTorch.. O'Reilly Media, Inc.. S. Skansi. (2018). Introduction to deep learning. From logical calculus to artificial intelligence.. Springer. I. Goodfellow, Y. Bengio, A. Courville. (2016). Deep Learning.. MIT Press. Charu C. Aggarwal. (2016). Recommender Systems: The Textbook.. Springer. A. Kedia (2020). Hands-On Python Natural Language Processing.. Packt Publishing.
Activitats d'avaluació: Descripció de l'activitat Avaluació de l'activitat % Recuperable Classes teòriques Es realitzarà una prova on s'avaluaran els coneixements adquirits durant el curs tant teòrics com pràctics 20 No Sessions de pràctiques Es realitzarà una avaluació continua amb forma d'activitats i pràctiques que es faran al llarg del curs. Es valorarà la correcta realització de les pràctiques així com els informes i documents lliurats. 80 Sí
L'avaluació de l'assignatura tindrà dues parts: una avaluació continua amb forma d'activitats i pràctiques al llarg del curs, i una prova final on s'avaluaran els coneixements adquirits en tot el curs. Criteris específics de la nota «No Presentat»:La realització d'alguna de les activitats OBLIGATÒRIES comportarà l'avaluació final de l'assignatura, i per tant es considerarà com a presentat en la nota final. Avaluació única:L'avaluació única de l'assignatura consistirà en un examen final que inclourà els diferents blocs de l'assignatura. Hi haurà l’opció de fer recuperació d’aquesta prova d’avaluació única sempre que l’estudiant es presenti al primer examen i obtingui una qualificació mínima de 3.5. Requisits mínims per aprovar:Per considerar superada l’assignatura, caldrà obtenir una qualificació mínima de 5.0
Ens podreu fer arribar els vostres dubtes o concertar tutories (tant de teoria com de pràctiques i problemes) via moodle o via mail en el corresponent professor. Les tutories es podran realitzar individualment o per grups, i es faran presencialment o utilitzant videoconferència (google meet).
La comunicació habitual en l’assignatura es farà via moodle. L'assignatura tindrà el fòrum d'avisos on es guardaran totes les notificacions relatives al curs i també es podran crear fòrums específics per cadascuna de les pràctiques. L'interacció individual la podrem fer presencialment als despatxos dels professors sempre que les condicions ho permentin, o bé també via videoconferència (individualment o en grup).